Electronic Letters on Science & Engineering 1(1) 2005 Available online at www.e-lse.org The Estimation of Substrate Concentrations in Sequencing Batch Reactor by using Artificial Intelligence Methods Gulgun Koseoglu 1 1 Sakarya University, Engineering Faculty, Environmental Engineering Department, 54187 Sakarya, Turkey. E-mail: gulgunk@sakarya.edu.tr Abstract: The aim of the study was the estimation of substrate concentrations at the end of reaction phase (S e, mg/l) which varying of S f values (substrate concentrations at the end of filling phase, mg/l) and time (t r, h) depend on wastewater flow rate (Q, m 3 /h) in sequencing batch reactor (SBR) by using Neural Network and Adaptive Neuro Fuzzy Inference System (ANFIS) approaches. The main purpose of using these methods was rapidly access to true and certain solutions according to conventional mathematical methods. A performance method was developed to compare the applicable systems performances. Obtained data form each model were analyzed independently and error quantities of systems were calculated by comparing with prior mathematical method results. The error quantities for Neural Network method were %0.7 at test set and %0.02 at training set. In Adaptive Neuro Fuzzy Inference System (ANFIS), the error quantities were %0.9 and %0.03 in respect of test set and training set. Neural Network approach was turned out satisfactory with lower error quantities. But also each method was in practical level because of their low differences between the error quantities. Obtained results were evinced that these two approaches was rapidly accessed to the true and certain results instead of conventional mathematical methods. Keywords: Sequencing Batch Reactor, Wastewater, Neural Network, Adaptive Neuro Fuzzy Inference System (ANFIS) Ardisik Kesikli Reaktörde Substrat Konsantrasyonlarinin Yapay Zeka Teknikleri Ile Hesaplanmasi Özet: Bu çalisma ardisik kesikli bir reaktör prosesindeki atiksu debisine (Q, m 3 /saat) bagli olarak degisen S f degerleri (doldurma fazi sonundaki substrat konsantrasyonu, mg/l) ve zaman (t r, saat) baz alinarak, yapay sinir agi ve sinirsel bulanik mantik yaklasimlari ile olusturulan sistemlerin reaksiyon fazi sonundaki substrat konsantrasyonunu (S e, mg/l) tahminleri amaçlanmistir. Bu sistemlerin uygulanmasindaki amaç, dogru ve kesin çözüme, geleneksel matematiksel metotlara nazaran daha hizli ulasmaktir. Uygulanan bu iki sistemin performanslarini karsilastirmak için bir performans metodu gelistirilmistir. Her iki modelden elde edilen veriler ayri ayri incelenmis ve daha önce matematiksel yöntemle tespit edilmis sonuçlarla karsilastirilarak, sistemlerin hata miktarlari bulunmustur. Yapay sinir agi metodu için hata miktari, test setinde %0,7, egitim setinde %0,02 bulunurken, sinirsel bulanik mantik metodunda hata miktari, test seti için %0,9, egitim seti için %0,03 olmustur. Yapay sinir agi yöntemi daha düsük hata miktari ile daha iyi sonuç vermistir. Fakat aradaki hata miktari farki çok küçük oldugundan her iki yöntemde uygulanabilecek düzeydedir. Elde edilen sonuçlar bize, bu problemin çözümünde geleneksel matematiksel yöntemlerin yerine, bu iki yaklasim ile de (yapay sinir agi ve sinirsel bulanik mantik) dogru ve kesin çözüme ulasilabilecegini açikça göstermistir. Anahtar kelimeler: Ardisik Kesikli Reaktör, atik su, yapay sinir agi, sinirsel bulanik mantik (ANFIS) Reference to this paper should be made as follows (bu makaleye asagidaki sekilde atifta bulunulmali): G. Koseoglu, The Estimation Of Substrate Concentrations In Sequencing Batch Reactor By Using Artificial Intelligence Methods, Elec Lett Sci Eng, vol. 1(1), (2005), 42-47 1. Giris Ardisik Kesikli Reaktör prosesi; her biri belirli bir periyot boyunca süren proses fazlari serisiyle (doldurma, reaksiyon, çökelme, bosaltma ve bekleme) tanimlanir. Bu proses, sürekli akim ve tam karistirmali sistemlerin bazi özelliklerine sahip hibrit sistemlerdir fakat kendilerine has * Corresponding author; Tel.: +(90) XXX YYYYYYY, E-mail:xxx@yyyyyyy.yyy.yy ISSN 1305-8614 2005 www.e-lse.org All rights reserved. 42
karakteristiklere sahiptirler. Havalandirma ve çökelme fazlari için ayri bir tanka ihtiyaç duymamalari, bu prosesleri klasik aktif çamur proseslerinden ayiran en temel özelliktir. Ardisik Kesikli Reaktör sistemleri, geri devirsiz sistemlerdir [1]. Tekstil endüstrisi atiksulari, renk, sicaklik, yüksek miktarda ve çesitlilikte organik, inorganik maddeler ile agir metal faktörlerini içerir [2, 3, 4]. Özellikle tekstil endüstrisinde baslangiçta kullanilan büyük miktarlardaki suyun sadece az bir kisminin üründe yer almasi ve sonuçta üründe kullanilmayan suyun büyük hacimlerde çikti olarak olusmasi, en uygun aritma tipinin belirlenmesini bir zorunluluk haline getirmistir [4, 5]. tekstil endüstrisi atiksulari Ardisik Kesikli Reaktör ile biyolojik olarak aritilabilir. Fakat Ardisik Kesikli Reaktör lerin tekstil endüstrisi atiksularinin aritimindaki verimi ve etkisi, giris besin konsantrasyonunun, giris çamur konsantrasyonunun, reaksiyon süresinin ve çökelme süresinin kontrolü ile saglanir [2]. Bu parametrelerin matematiksel ifadelerle kontrolleri ve hesaplamalari mümkün fakat zor ve zaman alicidir. Günümüzde yapay sinir aglari ve sinirsel bulanik mantik teknolojileri, bu tip dinamik sistemlerin tanimlanmasinda ve kontrolünde basariyla uygulanmaktadir [6]. Bu çalismada da, atiksu debisi (Q, m 3 /saat) ile degisim gösteren S f degerleri (doldurma fazi sonundaki substrat konsantrasyonu, mg/l) ve zaman (t r, saat) baz alinarak, yapay sinir agi ve sinirsel bulanik mantik yaklasimlari ile olusturulan sistemin reaksiyon fazi sonundaki substrat konsantrasyonu (S e, mg/l) degerlerini tahmini amaçlanmistir. gerek yapay sinir agi, gerekse sinirsel bulanik mantik ile matematiksel islemlere gerek duymadan kesin ve dogru sonuca daha hizli ulasilmistir. 2. Materyal ve Metot 2.1 Geleneksel Matematiksel Yaklasim Doldurma fazi sonunda kalan substrat konsantrasyonu, hacmin ve doldurma süresince uzaklastirilan substratin kinetik ifadesinin degisken bir fonksiyonudur. [1]. Bu fonksiyonu formüle etmek için, doldurma sürecindeki kütle degisiminin esitligi yazilirsa; Giren-Çikan+Üretilen=Biriken d Q S0 0 + rsf V = ( V S ) (1) dt ds dt Q Q + S + k S = S 0 (2) V V (2) no.lu diferansiyel denklem çözüldügü zaman, doldurma sürecinin sonundaki substrat konsantrasyonu (S f ); S f S Q V VAB 0 I 0 k = + S Q e e k VB VB VB k Q S (3) elde edilmistir. Reaksiyon sürecinin sonundaki substrat konsantrasyonu (S e ) asagidaki denklem ile ifade edilmistir. S e k t = S e r (4) f 43
2.2 Yapay Sinir Agi Modeli Bu çalismada yapay sinir agini egitmek için Matlab in Neural Network Toolbox i kullanilmistir. Sekil-1 Uygulanan 3 giris, 40 gizli katman, 1 çikisli, tansig/purelin yapay sinir agi [7] Bu yapay sinir agi, genel fonksiyon yaklastirici olarak kullanilabilir. Bu ag, herhangi bir fonksiyonu, sonlu sayida devamsiz fonksiyonlara yaklastirir. Istege bagli olarak gizli katmana yeterli miktarda sinir verilebilir [7]. Bu çalismada da, 3 girisli, 1 çikisli, Levenberg-Marquardt prensibine göre bir sistem olusturuldu (Sekil-1). Girislere (Q, S f, t r ) P degeri, çikisa (S e ) T degeri atandi. Sistem ilk olarak verilerin 0, 1 araligina çekilmesi ile optimize edildi, böylelikle ögrenme daha basarili, test de oldukça hizli oldu. Daha sonra net yapisi ayarlandi, maksimum ve minimum giris limitleri, 40 adet gizli katman ve 1 çikis belirtilerek, sistem tansig transfer fonksiyonuna göre ayarlandi. Ayarlama, yeni ileri beslemeli backpropagation yapay sinir agina göre yapildi. Yapida maksimum 2000 iterasyonda egitim yapildi ve 25 kez ögrettikten sonra yapinin ögrenmesi saglandi. Hata payi 10-6 olarak belirlendi ve bu yapiya göre yapay sinir aginin egitimi gerçeklesti. Sisteme, veri girilip test edildikten sonra degerler 0-1 araligindan tekrar normal araliga getirildi. Olusturulan yapinin egitim dosyasindaki verileri iyi bir sekilde ögrenmesi saglandi. Egitim 160 iterasyonda tamamlanmistir. Yapay sinir aginda test setinde hesaplanan degerlerle, gerçek degerlerin karsilastirilmasi Sekil 2 de verilmistir. Sekil-2 Yapay sinir aginda test setinde hesaplanan degerlerle, gerçek degerlerin karsilastirilmasi Geri Besleme Algoritmasi Çok çesitli geri besleme algoritmalari mevcuttur. En basit geri besleme uygulamasi, agdaki agirlik, biaslar ve komutlar dogrultusunda güncel bilgileri ögrenir, bu sirada negatif egim ile performans fonksiyonu da hizla azalir. Bu algoritmanin bir iterasyonu söyle yazilabilir [7]. 44
X k+1 =X k -a k g k (5) Burada, X k ; mevcut agirliklarin ve biaslarin vektörü, g k ; mevcut egim ve a k ; ögrenme oranidir. Egim inis algoritmasini tamamlayan iki farkli yol vardir: artis modu ve küme modu. Artis modunda, egim hesaplanir ve her giris aga uygulandiginda agirliklar güncellestirilir. Küme modunda ise, agirliklar güncellestirilmeden önce bütün girisler aga uygulanir [7]. Levenberg-Marquardt Quasi-Newton metodunda oldugu gibi, Levenberg-Marquardt algoritmasida, Hessia matrisini hesaplamadan, ikinci-sira egitim hizina yaklasmak için dizayn edilmistir. Performans fonksiyonu, kareler toplami formunu aldiginda, Hessia matrisi suna yaklasir [7]; H=J T J (6) ve egim söyle hesaplanir; g=j T e (7) Burada J; Jacobian matrisidir, bu agirliklara ve biaslara uyarak yapay sinir agi hatalarinin ilk türevlerini içerir, e ise agin hata vektörüdür. Jacobian matrisi, standart geri besleme teknigi ile hesaplanabilir. Bu hesaplama Hessian matris hesaplamasina nazaran daha az karmasiktir. Levenberg-Marquardt algoritmasi su yaklasimi kullanir [7]; X k+1 =X k -[J T J+µI] -1 J T e (8) Newton metoduna göre, scalar µ sifir oldugunda, yaklasik olarak Hessian matrisi kullanilir. µ genis oldugunda, egim inisi, küçük basamak ölçüsüne sahip olur. Newton metodu daha hizlidir ve hatayi minimuma indirerek dogruya yaklasir. Bu nedenle, her basarili adimdan sonra µ azalir, sadece deneme niteligindeki adimlarda artar buda performans fonksiyonunu arttirir. Bu sayede de algoritmanin her iterasyonunda, performans fonksiyonu ile ölçülen deger daima azalir, böylelikle performans artar [7]. 2.3 Sinirsel bulanik mantik modeli Sugeno tipindeki bulanik sonuç çikarma mekanizmasi Ilk kez 1985 de ortaya atilan Sugeno bulanik sonuç çikarma isleminin ilk iki bölümü, girislerin bulaniklastirilmasi ve bulanik operatörün uygulanmasi, Mamdani deki gibidir [8]. Mamdani ile Sugeno arasindaki temel fark, Sugeno çikis üyelik fonksiyonunun ya lineer yada sabit olmasidir. Tipik bir Sugeno bulanik model formu söyledir [9]; If Input1=x and Input2=y, then output z=ax+by+c (9) Sifir-sira Sugeno modeli için, çikis degeri z sabittir (a=b=0). Her kuralin çikis degeri z i, w i kuralina dönüstürülerek, çikis degerlerinin büyüklükleri arttirilir. Örnegin AND kurali için Input1=x and Input2=y, o zaman firing strength asagidaki gibidir [9]; w i =AndMethod(F 1 (x),f 2 (y)) (10) 45
Burada; F 1,2 (.), Input1 ve 2 nin üyelik fonksiyonlaridir. Sistemin son çikislari, bütün çikis kurallarinin agirlik ortalamasidir ve söyle hesaplanir [9]; Sugeno kurali asagidaki diyagrama (Sekil-3) göre çalisir [9]; (11) Sekil-3 Sugeno kuralina ait diyagram [9] Bu çalismada olusturulan sistemdeki girisler ve sonuçlar data matrisinde bir araya getirildi. Yapida, 20 iterasyonda egitim yapildi. Yapi, Adaptive Neuro Fuzzy Inference System (ANFIS), Sugeno tipindeki bulanik sonuç çikarma mekanizmasina göre olusturuldu. Olusturulan yapida 3 adet girisin her biri 4 gruba ayrildi ve bunlar için üçgen fonksiyon kullanildi. Sistem egitildi ve egitim 20 iterasyonda tamamlandi. Sinirsel bulanik mantik test setinde hesaplanan degerlerle, gerçek degerlerin karsilastirilmasi Sekil 4 de verilmistir. Sekil-4 Sinirsel bulanik mantik test setinde hesaplanan degerlerle, gerçek degerlerin karsilastirilmasi 2.4 Performans Metodu Hata miktarini bulmak için su formül kullanildi. 46
X X nn / X n (12) 3. Sonuçlar ve Tartisma Eldeki mevcut 200 adet verinin 180 adeti ile egitim dosyasi, 20 verinin bu 200 veriden çikarilmasi ile de test dosyasi olusturuldu. Yapilan çalismada hem yapay sinir aglari hem de sinirsel bulanik mantik kullanilarak çözüm üretilmeye çalisildi. Her iki modelden elde edilen veriler ayri ayri incelenmis ve daha önce matematiksel yöntemle tespit edilmis sonuçlarla karsilastirilarak, olusturulan sistemlerin hata miktarlari bulunmustur. Sistemdeki hata miktarlari asagidaki tabloda verilmistir. Tablo-1 Yapay sinir agi ve sinirsel bulanik mantik yaklasimlarindaki hata miktarlari Test Seti Egitim Seti YSA % 0,7 % 0,02 ANFIS % 0,9 % 0,03 Tablo 1 den de görüldügü gibi yaptigimiz çalisma yapay sinir agi yaklasimi ile daha iyi sonuç vermistir. Fakat aralarindaki hata miktari çok küçük oldugundan dolayi her iki yöntemde kullanilabilecek düzeydedir. Iki yaklasim arasindaki hata miktari farki önemsenemeyecek kadar küçüktür. Sonuç olarak bu çalisma bize, bu problemin çözümünde geleneksel matematiksel yöntemlerin yerine yapay sinir aglarinin ve sinirsel bulanik mantiklarinin farkli bir yöntem olarak da rahatlikla kullanilabilecegini ve bu yöntemlerle de dogru ve kesin çözüme ulasilabilecegini açikça göstermistir. References (Referanslar) [1] Droste, R.L. Theory and Practice of Water and Wastewater Treatment, John Wiley&Sons, Inc., New York, USA, (1997) [2] Jamrah, I.A., Abu-Ghunmi, N.L., Biological treatment of textile wastewater using sequencing batch reactor technology. Wat. Sci. Tech. Vol. 44, (2001), 85-92 [3] O Neill, C., Hawkes, F., Esteves, S., Hawkes, D. and Wilcox, S.J., Anaerobic and anerobic treatment of a simulated textile effluent. J. Chem. Technol. Vol. 74, (1999), 993-999 [4] Wilderer, A.P., Irvine, L.R., Goronszy, C.M., Sequencing batch reactor technology, Scientific and Technical Report, IWA, (2001) [5] Metcalf and Eddy. Inc., (1991), Wastewater engineering, NY; McGraw-Hill [6] Narendra, K.S., Parthasarathy, K., Identification and control of dynamical systems. IEEE Transactions on Neural Network 1 vol. 1, (1990), 4 27 [7] MATLAB Documentation (2002) Neural Network Toolbox Help, Version 4, Release 13, The MathWorks, Inc. [8] Roubos, J.A., Mollov, S., Babuska, R., Verbruggen, H. B., Fuzzy model-based predictive control using Takagi-Sugeno models. International Journal of Approximate Reasoning, 22 (1999) 3-30 [9] MATLAB Documentation (2002) Fuzzy Logic Toolbox Help, Version 2, Release 13, The MathWorks, Inc. 47